Data-Driven Predictive Control of Mixed Vehicular Platoon with ELM-AdaBoost Enabled Human Driving Policy

Op de weg is een konvooi simpelweg een rij auto's die dicht bij elkaar rijdt en als een enkele eenheid beweegt. Decennialang hebben ingenieurs gedroomd van geautomatiseerde voertuigen die dit perfect zouden kunnen doen, door exacte afstanden en snelheden te handhaven om brandstof te besparen en files te voorkomen. Maar de echte wereld is geen simulatie. Voor een lange tijd zullen deze geautomatiseerde auto's de snelweg delen met menselijke bestuurders, wat een gemengde verkeersomgeving creëert. Deze mix zorgt voor een complex probleem: menselijke bestuurders zijn onvoorspelbaar. Ze reageren verschillend op het verkeer; sommigen zijn agressief en rijden te dicht op de voorligger, terwijl anderen voorzichtig zijn en een ruime marge aanhouden. Hun reacties zijn niet zomaar willekeurig; ze zijn gevormd door jarenlange gewoonten en persoonlijke stijl. Wanneer een geautomatiseerde auto een mens volgt, of wanneer een mens een geautomatiseerde auto volgt, moet het systeem rekening houden met dit menselijke element. Als de geautomatiseerde auto de menselijke stijl negeert, kan hij te hard remmen of te dicht volgen, waardoor de hele rij auto's gaat schommelen of onverwacht tot stilstand komt. Het doel is om een systeem te creëren dat niet alleen probeert elke auto op dezelfde manier te laten rijden, maar een systeem dat begrijpt en zich aanpast aan de unieke persoonlijkheid van de bestuurder voor hem.

Onderzoekers aan verschillende universiteiten in China, waaronder East China Jiaotong University en Zhejiang University of Technology, hebben een nieuwe manier ontwikkeld om deze gemengde rijen auto's te beheren. Ze noemen hun aanpak een "mens-geankerde" (human-anchored) controlestrategie. In plaats van te proberen een perfect wiskundig model te bouwen van hoe elke mens denkt — wat bijna onmogelijk is omdat menselijk gedrag zo chaotisch en variabel is — besloten ze de data het woord te laten doen. Ze bouwden een systeem dat direct leert van de werkelijke bewegingen van de auto's. Door te observeren hoe een voertuig in de loop van de tijd reageert op de auto voor hem, creëert het systeem een kaart van de dynamiek op de weg zonder dat het de specifieke massa van de auto of de exacte reactietijd van de bestuurder hoeft te weten. Deze datagestuurde methode stelt de computer in staat om te voorspellen wat er hierna zal gebeuren op basis van wat er eerder is gebeurd, waardoor de noodzaak voor complexe, foutgevoelige formules over de menselijke psychologie effectief wordt omzeild.

De kern van hun innovatie ligt in de manier waarop ze de menselijke bestuurder aanpakken. De onderzoekers realiseerden zich dat hoewel elke bestuurder anders is, ze vaak herkenbare patronen vertonen. Sommigen rijden agressief, sommigen gematigd en sommigen conservatief. Om dit te vangen, gebruikten ze een geavanceerd leermiddel dat werkt als een zeer scherpe waarnemer. Dit instrument, dat twee verschillende leermethoden combineert, observeert de snelheid, acceleratie en de afstand van de auto tot het voertuig voor hen. Het filtert de ruis weg die wordt veroorzaakt door hobbelige wegen of sensorfouten, vergelijkbaar met het opschonen van een signaal met veel statische ruis om de muziek duidelijk te horen. Zodra de data schoon is, identificeert het systeem de rijstijl. Het gokt niet alleen; het classificeert de bestuurder in een specifieke categorie op basis van hun werkelijke gedrag op de weg.

Zodra het systeem de rijstijl van de bestuurder kent, verandert het de manier waarop de geautomatiseerde auto's zich gedragen. Als de bestuurder voor hen agressief is en graag dichtbij rijdt, passen de geautomatiseerde auto's erachter hun doelafstand aan om bij die voorkeur aan te sluiten, in plaats van een standaard veilige afstand af te dwingen die onnatuurlijk zou aanvoelen of de menselijke bestuurder plotseling zou laten remmen. Als de bestuurder voorzichtig is, geven de geautomatiseerde auto's hen meer ruimte. De onderzoekers noemen dit een "flexibel rijbeleid". Het gaat er niet om dat de geautomatiseerde auto's roekeloos rijden; het gaat erom dat de geautomatiseerde auto's op een manier rijden die natuurlijk aanvoelt voor de menselijke bestuurder, wat op zijn beurt de hele rij verkeer soepeler maakt. Het systeem stelt zachte grenzen in voor hoe dicht de auto's bij elkaar kunnen komen en hoe snel ze kunnen accelereren, maar deze grenzen verschuiven afhankelijk van wie er rijdt.

Om te testen of dit idee werkt, hebben de onderzoekers niet alleen computersimulaties uitgevoerd; ze bouwden een realistische testomgeving. Ze gebruikten een rijsimulator waarbij vierendertig echte menselijke vrijwilligers, met een gemiddelde leeftijd van eenendertig jaar en ten minste twee jaar rijervaring, het stuur overnamen. Deze bestuurders controleerden een van de auto's in een rij van drie, terwijl de andere twee werden aangestuurd door de nieuwe software. De onderzoekers vergeleken hun nieuwe "mens-geankerde" systeem met twee andere methoden: een standaard geautomatiseerd controlesysteem dat alle bestuurders hetzelfde behandelt, en een iets geavanceerder datagestuurd systeem dat nog steeds geen rekening houdt met individuele stijlen. De test omvatte complexe verkeersscenario's waarbij de voorste auto versnelde en vertraagde, waardoor de hele rij moest reageren.

De resultaten toonden een duidelijk verschil. Het standaard systeem en het geavanceerdere datagestuurde systeem hadden beide moeite om de rij stabiel te houden. De auto's schoten voorbij hun doelafstand, kwamen te ver vooruit en remden vervolgens hard om in te halen, wat een rimpeleffect van snelheidsveranderingen veroorzaakte die door de hele rij trok. In contrast hiermee hield het nieuwe mens-geankerde systeem de afstand veel nauwer bij de gewenste 50 meter. De geautomatiseerde auto's volgden de menselijke bestuurder zonder de schokkerige, oscillerende bewegingen die in de andere tests te zien waren. De snelheid van de auto's bleef constant, waardoor de scherpe pieken in snelheid werden vermeden die vaak leiden tot ongemak of ongelukken. Zelfs toen de menselijke bestuurder agressief was, paste het systeem zich aan en behield het de stabiliteit zonder de mens te dwingen zijn gedrag te veranderen.

De studie keek ook naar hoe goed het systeem presteerde met verschillende soorten bestuurders. Wanneer de menselijke bestuurder conservatief was, hield het systeem de afstandsfouten zeer klein, wat zorgde voor een veilige en stabiele rit. Wanneer de bestuurder agressief was, behield het systeem nog steeds de controle, hoewel de afstandsfouten iets groter waren, wat te verwachten is bij het volgen van een bestuurder die de afstand graag verkleint. Cruciaal was dat het systeem voorkwam dat deze kleine fouten groter werden naarmig in de rij van auto's. In de verkeerskunde staat dit bekend als "string stability" (ketenstabiliteit), en het is essentieel om files te voorkomen die beginnen door één enkele remactie. De nieuwe methode bewees dat door respect te tonen voor de rijstijl van de menselijke bestuurder, de geautomatiseerde auto's de hele groep veiliger en comfortabeler kunnen maken.

Dit onderzoek laat zien dat de toekomst van verkeersbeheersing niet vereist dat mensen robots worden. In plaats daarvan vereist het dat robots mensbewuster worden. Door data te gebruiken om individuele rijgewoonten te begrijpen en de geautomatiseerde respons dienovereenkomstig aan te passen, hebben de onderzoekers een pad opgezeigt naar een soepelere, veiligere co-existentie tussen mens en machine op de weg. Het systeem slaagde erin de balans te vinden tussen de behoefte aan veiligheid en het verlangen naar een gepersonaliseerde rijervaring, waarmee werd bewezen dat een beetje begrip een groot verschil maakt in het laten doorstromen van het verkeer.